深度学习入门小菜鸟，希望像做笔记记录自己学的东西，也希望能帮助到同样入门的人，更希望大佬们帮忙纠错啦~侵权立删。
目录
一、SSE（误差平方和）
🌳公式
🌳SSE越小，误差越小，模型越好
🌳缺点
随着样本增加，SSE必然增加
不同的数据集的情况下，SSE间的比较没有意义
二、MSE（均方误差）
🌳公式
🌳拟合数据和原始数据对应样本点误差的平方和的均值，值越小说明拟合效果越好
三、RMSE（均方根误差）
🌳公式
🌳在MSE的基础上再开方，值越小说明拟合效果越好
四、MAE (平均绝对误差)
🌳公式
🌳模型预测值 f(x) 与样本真实值 y 之间距离的平均值
🌳MAE 相比 MSE 的优点： MAE 对离群点不那么敏感，更有包容性。因为 MAE 计算的是误差 y-f(x) 的绝对值，无论是 y-f(x)>1 还是 y-f(x)<1，没有平方项的作用（不会变得更大或更小），惩罚力度都是一样的。
五、MAPE（平均绝对百分比误差）
🌳公式
🌳注：当真实值（yi）有数据等于0时（分母0除问题），该公式不可用
🌳值越小越好，超过100%是劣质模型
六、R Squared （R方/可决系数）
🌳公式
🌳分子为预测数据和原始数据的误差，分母理解为原始数据的离散程度，二者相除可以消除原始数据离散程度的影响
🌳越靠近1，表明这个模型对数据拟合更好
越靠近0，表明模型拟合越差
欢迎大家在评论区批评指正，谢谢大家~
